CN112580885A - 一种配件合格率的预测方法、装置、设备及存储介质 - Google Patents
一种配件合格率的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112580885A CN112580885A CN202011552406.2A CN202011552406A CN112580885A CN 112580885 A CN112580885 A CN 112580885A CN 202011552406 A CN202011552406 A CN 202011552406A CN 112580885 A CN112580885 A CN 112580885A
- Authority
- CN
- China
- Prior art keywords
- layer node
- hidden layer
- determining
- output
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012797 qualification Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 210000000349 chromosome Anatomy 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种配件合格率的预测方法、装置、设备及存储介质。其中,该方法包括:根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;根据所述隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;根据所述隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值和第二阈值,确定输出层节点的输入数据;根据所述输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。实现对配件合格率的预测,减少人工计算过程,提高预测效率和精度。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种配件合格率的预测方法、装置、设备及存储介质。
背景技术
装配式建筑是指将建筑的部分或者全部配件在工厂预先生产完成,运输到施工现场按照可靠连接方法组装而成的建筑。装配式建筑所需的配件的质量对整个装配式建筑来说至关重要,但是在配件的生产过程中存在很多不定因素影响配件合格率,降低建筑质量。
目前,提高建筑质量的方法可以是预测配件的合格率,若合格率不满足要求,则重新进行生产。配件合格率的预测方式为人工采集相同工厂生产同一配置的历史合格率,根据历史合格率对当前批次的配件合格率进行主观判断。但这种预测方式,容易出现误差,浪费人力和时间,预测精度和预测效率较低。
发明内容
本发明实施例提供一种配件合格率的预测方法、装置、设备及存储介质,以提高配件合格率的预测效率和预测精度。
第一方面,本发明实施例提供了配件合格率的预测方法,该方法包括:
根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
根据所述隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
根据所述隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
根据所述输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
第二方面,本发明实施例还提供了配件合格率的预测装置,该装置包括:
隐含层输入确定模块,用于根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
隐含层输出确定模块,用于根据所述隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
输出层输入确定模块,用于根据所述隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
预测结果确定模块,用于根据所述输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任意实施例所述的配件合格率的预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的配件合格率的预测方法。
本发明实施例通过输入层、隐含层和输出层,对待预测样本的历史合格率进行计算,根据第一连接权值和第一阈值,确定隐含层的输入数据。根据隐含层的输入数据,得到隐含层的输出数据。根据隐含层的输出数据、第二连接权值和第二阈值,确定输出层节点的输入数据。根据输出层节点的输入数据,得到配件合格率的预测结果。解决了现有技术中,由人工进行预测的问题,通过设置连接权值和阈值,避免合格率预测模型陷入局部最优,对预测结果进行层层计算,提高预测结果的精确性,实现自动化预测,节约人力和时间,提高预测效率。
附图说明
图1是本发明实施例一中的一种配件合格率的预测方法的流程示意图;
图2是本发明实施例二中的一种配件合格率的预测方法的流程示意图;
图3是本发明实施例三中的一种配件合格率的预测装置的结构框图;
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种配件合格率的预测方法的流程示意图,本实施例可适用于自动预测配件合格率的情况,该方法可以由一种配件合格率的预测装置来执行。如图1所示,该方法具体包括如下步骤:
步骤110、根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据。
其中,先由工作人员采集待预测样本的历史合格率,待预测样本为待预测的配件,配件可以是装配式建筑的预制构件,待预测样本的历史合格率是同一工厂生产的与待预测样本相同型号的配件的历史合格率。例如,需要预测A工厂当前生产的第二批B型号配件的合格率,则收集该工厂之前生产的第一批B型号配件的合格率作为待预测样本的历史合格率。将待预测样本的历史合格率输入到预先训练好的合格率预测模型中,合格率预测模型可以包括输入层、隐含层和输出层。可以采用BP(Back Propagation,反向传播)神经网络进行模型的预测,输入层可以包括至少一个输入层节点,隐含层可以包括至少一个隐含层节点。每个输入层节点和隐含层节点之间都预先配置有第一连接权值,每个隐含层节点都配置有一个第一阈值,例如,有两个输入层节点和两个隐含层节点,则可以有四个第一连接权值和两个第一阈值。第一连接权值和第一阈值用于计算隐含层节点的输出数据。
预先收集待预测样本集,将待预测样本集中的待预测样本的历史合格率作为输入数据输入到输入层节点,待预测样本集中的待预测样本数与输入层节点数一致,一个输入层节点接收一个待预测样本的历史合格率。根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值和第一阈值,将输入层节点接收到的数据转换为隐含层节点的输入数据。每个隐含层节点的输入数据可以由所有输入层节点的数据转换得到。由于每个隐含层节点与各输入层节点的第一连接权值不同,以及各第一阈值不同,因此,每个隐含层节点的输入数据可以不同。
本实施例中,可选的,根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据,包括:根据如下公式确定隐含层节点的输入数据:
其中,隐含层节点的数量为至少一个,Hj为第j个隐含层节点的输入数据,wij为第i个待预测样本与第j个隐含层之间的第一连接权值,xi为第i个待预测样本的历史合格率,aj为第j个隐含层节点的第一阈值,i∈[1,m]。
具体的,针对第j个隐含层节点,确定该隐含层节点与各输入层节点之间的第一连接权值和第一阈值。计算第一连接权值与各输入层节点中数据的乘积之和,各输入层节点中的数据即为待检测样本的历史合格率。根据计算得到的乘积之和和该隐含层节点的第一阈值,得到该隐含层节点的输入数据。例如,输入层节点为三个,输入层节点的数据分别为x1、x2和x3,隐含层节点为三个,其中,第一个隐含层节点与第一个输入层节点之间的第一连接权值为w11,第一个隐含层节点与第二个输入层节点之间的第一连接权值为w21,第一个隐含层节点与第三个输入层节点之间的第一连接权值为w31,第一个隐含层节点的第一阈值为a1,则H1=w11x1+w21x2+w31x3-a1。这样设置的有益效果在于,实现对预测结果的自动计算,节约人力和计算时间,避免主观误差,通过设置多个第一连接权值和第一阈值,实现对权值和阈值的优化组合,避免神经网络在预测过程中出现局部最小值,提高了模型的收敛速度和寻优效率,提高计算精度。
步骤120、根据隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据。
其中,在得到隐含层节点的输入数据后,对隐含层节点的输入数据进行计算,得到隐含层节点的输出数据。
本实施例中,可选的,根据隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据,包括:根据如下公式确定隐含层节点的输出数据:
其中,netj为第j个隐含层节点的输出数据。
具体的,预设隐含层计算公式可以是Sigmoid(S型生长曲线)函数,采用Sigmoid函数进行隐含层输出数据的计算,隐含层输出数据的数量与隐含层节点数量一致。Sigmoid函数的计算公式如下:
其中,z为Sigmoid函数中的未知数。实现了对隐含层节点的内部运算,通过分步骤进行层层计算得到预测结果,有利于对各个步骤进行检查,避免在发生错误时难以对步骤进行解析,提高合格率的预测精度。
步骤130、根据隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据。
其中,第二连接权值和第二阈值为预先配置,用于计算输出层的输入数据。输出层中包括一个输出层节点。在得到隐含层节点的输出数据后,将各隐含层节点的输出数据进行结合,得到一个输出层节点的输入数据。各隐含层节点与输出层节点之间分别配置一个第二连接权值,即第二连接权值的数量与隐含层节点的数量一致。第二阈值的数量为一个。根据第二连接权值,对隐含层节点的输出数据进行结合,再根据第二阈值,得到输出层节点的输入数据。
本实施例中,可选的,根据隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据,包括:根据如下公式确定输出层节点的输入数据:
其中,输出层节点的数量为一个,O为输出层节点的输入数据,tj为第j个隐含层节点与输出层节点之间的第二连接权值,b为第二阈值。
具体的,计算各隐含层节点与相对应的第二连接权值之间的乘积,将计算得到的乘积进行加和,再根据第二阈值,得到输出层的输入数据,完成隐含层到输出层的数据转换。通过设置第二连接权值和第二阈值,提高了输出层节点输入数据的计算精度,避免人工判断造成误差,且不同的连接权值,可以减少局部最优的可能,提高模型的收敛速度和寻优效率。
步骤140、根据输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
其中,预设的输出层计算公式可以是Sigmoid函数,在得到输出层节点的输入数据后,根据预设的输出层计算公式进行计算,得到输出层节点的输出数据,输出层节点的输出数据即为配件合格率的预测结果。
本实施例中,可选的,根据输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果,包括:根据如下公式确定配件合格率的预测结果:
其中,y为配件合格率的预测结果。
具体的,采用Sigmoid函数对输出层节点的输入数据进行计算,实现了配件合格率预测结果的自动生成,减少人工计算的过程,避免主观性的误差,提高预测结果的确定精度和确定效率。
本实施例的技术方案,通过输入层、隐含层和输出层,对待预测样本的历史合格率进行计算,根据第一连接权值和第一阈值,确定隐含层的输入数据。根据隐含层的输入数据,得到隐含层的输出数据。根据隐含层的输出数据、第二连接权值和第二阈值,确定输出层节点的输入数据。根据输出层节点的输入数据,得到配件合格率的预测结果。解决了现有技术中,由人工进行预测的问题,通过设置连接权值和阈值,避免预测模型陷入局部最优,对预测结果进行层层计算,提高预测结果的精确性,实现自动化预测,节约人力和时间,提高预测效率。
实施例二
图2为本发明实施例二所提供的一种配件合格率的预测方法的流程示意图,本实施例以上述实施例为基础进行进一步的优化,该方法可以由一种配件合格率的预测装置来执行。如图2所示,该方法具体包括如下步骤:
步骤210、根据初始权值和初始阈值,基于遗传算法,确定满足迭代要求的第一连接权值、第二连接权值、第一阈值和第二阈值。
其中,初始权值包括第一连接权值对应的第一初始权值和第二连接权值对应的第二初始权值,初始阈值包括第一阈值对应的第一初始阈值和第二阈值对应的第二初始阈值。第一连接权值由第一初始权值经过遗传算法迭代优化得到,第二连接权值由第二初始权值经过遗传算法迭代优化得到,第一阈值由第一初始阈值经过遗传算法迭代优化得到,第二阈值由第二初始阈值经过遗传算法迭代优化得到。初始权值和初始阈值为预先设置。
本实施例中,可选的,根据初始权值和初始阈值,基于遗传算法,确定满足迭代要求的第一连接权值、第二连接权值、第一阈值和第二阈值,包括:将初始权值和初始阈值的实数串确定为遗传算法中的初始染色体;根据遗传算法中的选择、交叉和变异操作,将初始染色体进化为候选染色体,根据预设的适应度函数得到候选染色体的候选适应度值;从候选适应度值中选择符合预设迭代要求的目标适应度值,得到目标染色体;根据目标染色体的实数串,确定第一连接权值、第二连接权值、第一阈值和第二阈值。
具体的,可以采用浮点编码的方式将初始权值和初始阈值合并为一个染色体,染色体为一个实数串,该染色体为初始染色体。遗传算法采用选择、交叉和变异操作对染色体进行优化迭代,例如,可以采用轮盘赌的方式进行选择操作。每次迭代后的染色体为候选染色体,根据预设的适应度函数计算每次迭代后所有候选染色体的候选适应度值。适应度函数可以是在候选染色体中各权值和阈值的条件下,配件的期望合格率和实际合格率之间的误差绝对值函数。期望合格率为采集的训练样本中的配件期望得到的合格率,实际合格率为合格率预测模型输出的合格率。预先采集训练样本,每个训练样本对应有一个期望合格率。比较候选适应度值的大小,从候选适应度值中选择符合预设迭代要求的目标适应度值,目标适应度值所对应的候选染色体即为目标染色体。例如,可以将预设迭代要求设置为选择最小适应度值为目标适应度值,拥有最小适应度值的候选染色体即为目标染色体。对目标染色体的实数串进行解析,得到第一连接权值、第二连接权值、第一阈值和第二阈值。这样设置的有益效果在于,通过遗传算法对权值和阈值进行优化,避免合格率预测模型陷入局部极小值,保证最终解是全局最优解。
步骤220、根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据。
步骤230、根据隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据。
步骤240、根据隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据。
步骤250、根据输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
本发明实施例通过输入层、隐含层和输出层,对待预测样本的历史合格率进行计算,根据第一连接权值和第一阈值,确定隐含层的输入数据。根据隐含层的输入数据,得到隐含层的输出数据。根据隐含层的输出数据、第二连接权值和第二阈值,确定输出层节点的输入数据。根据输出层节点的输入数据,得到配件合格率的预测结果。解决了现有技术中,由人工进行预测的问题,通过遗传算法优化连接权值和阈值,避免合格率预测模型陷入局部最优,对预测结果进行层层计算,提高预测结果的精确性,实现自动化预测,节约人力和时间,提高预测效率。
实施例三
图3为本发明实施例三所提供的一种配件合格率的预测装置的结构框图,可执行本发明任意实施例所提供的一种配件合格率的预测方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置具体包括:
隐含层输入确定模块301,用于根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
隐含层输出确定模块302,用于根据隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
输出层输入确定模块303,用于根据隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
预测结果确定模块304,用于根据输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
可选的,该装置还包括:
权值和阈值确定模块,用于根据待训练样本、初始权值和初始阈值,基于遗传算法,确定满足迭代要求的第一连接权值、第二连接权值、第一阈值和第二阈值;其中,初始权值包括第一连接权值对应的第一初始权值和第二连接权值对应的第二初始权值,初始阈值包括第一阈值对应的第一初始阈值和第二阈值对应的第二初始阈值。
可选的,权值和阈值确定模块,具体用于:
将初始权值和初始阈值的实数串确定为遗传算法中的初始染色体;
根据遗传算法中的选择、交叉和变异操作,对初始染色体进行迭代,得到迭代后候选染色体的候选适应度值;
从候选适应度值中选择符合预设迭代要求的目标适应度值,得到目标染色体;
根据目标染色体的实数串,确定第一连接权值、第二连接权值、第一阈值和第二阈值。
可选的,隐含层输入确定模块301,具体用于:
根据如下公式确定隐含层节点的输入数据:
其中,隐含层节点的数量为至少一个,Hj为第j个隐含层节点的输入数据,wij为第i个待预测样本与第j个隐含层之间的第一连接权值,xi为第i个待预测样本的历史合格率,aj为第j个隐含层节点的第一阈值,i∈[1,m]。
可选的,隐含层输出确定模块302,具体用于:
根据如下公式确定隐含层节点的输出数据:
其中,netj为第j个隐含层节点的输出数据。
可选的,输出层输入确定模块303,具体用于:
根据如下公式确定输出层节点的输入数据:
其中,输出层节点的数量为一个,O为输出层节点的输入数据,tj为第j个隐含层节点与输出层节点之间的第二连接权值,b为第二阈值。
可选的,预测结果确定模块304,具体用于:
根据如下公式确定配件合格率的预测结果:
其中,y为配件合格率的预测结果。
本发明实施例通过输入层、隐含层和输出层,对待预测样本的历史合格率进行计算,根据第一连接权值和第一阈值,确定隐含层的输入数据。根据隐含层的输入数据,得到隐含层的输出数据。根据隐含层的输出数据、第二连接权值和第二阈值,确定输出层节点的输入数据。根据输出层节点的输入数据,得到配件合格率的预测结果。解决了现有技术中,由人工进行预测的问题,通过设置连接权值和阈值,避免预测模型陷入局部最优,对预测结果进行层层计算,提高预测结果的精确性,实现自动化预测,节约人力和时间,提高预测效率。
实施例四
图4是本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备400的框图。图4显示的计算机设备400仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备400以通用计算设备的形式表现。计算机设备400的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备400访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。计算机设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如存储器402中,这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该计算机设备400交互的设备通信,和/或与使得该计算机设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且,计算机设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器412通过总线403与计算机设备400的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种配件合格率的预测方法,包括:
根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
根据隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
根据隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
根据输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种配件合格率的预测方法,包括:
根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
根据隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
根据隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
根据输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种配件合格率的预测方法,其特征在于,所述方法包括:
根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
根据所述隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
根据所述隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
根据所述输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
2.根据权利要求1所述的方法,其特征在于,在根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值和第一阈值,确定隐含层节点的输入数据之前,还包括:
根据初始权值和初始阈值,基于遗传算法,确定满足迭代要求的第一连接权值、第二连接权值、第一阈值和第二阈值;其中,所述初始权值包括第一连接权值对应的第一初始权值和第二连接权值对应的第二初始权值,所述初始阈值包括第一阈值对应的第一初始阈值和第二阈值对应的第二初始阈值。
3.根据权利要求2所述的方法,其特征在于,根据初始权值和初始阈值,基于遗传算法,确定满足迭代要求的第一连接权值、第二连接权值、第一阈值和第二阈值,包括:
将初始权值和初始阈值的实数串确定为遗传算法中的初始染色体;
根据遗传算法中的选择、交叉和变异操作,将所述初始染色体进化为候选染色体,根据预设的适应度函数得到候选染色体的候选适应度值;
从候选适应度值中选择符合预设迭代要求的目标适应度值,得到目标染色体;
根据目标染色体的实数串,确定第一连接权值、第二连接权值、第一阈值和第二阈值。
8.一种配件合格率的预测装置,其特征在于,包括:
隐含层输入确定模块,用于根据待预测样本的历史合格率,以及输入层节点与隐含层节点之间的第一连接权值,和隐含层节点的第一阈值,确定隐含层节点的输入数据;
隐含层输出确定模块,用于根据所述隐含层节点的输入数据和预设隐含层计算公式,确定隐含层节点的输出数据;
输出层输入确定模块,用于根据所述隐含层节点的输出数据,以及隐含层节点与输出层节点之间的第二连接权值,和输出层节点的第二阈值,确定输出层节点的输入数据;
预测结果确定模块,用于根据所述输出层节点的输入数据和预设输出层计算公式,确定配件合格率的预测结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的配件合格率的预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的配件合格率的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552406.2A CN112580885A (zh) | 2020-12-24 | 2020-12-24 | 一种配件合格率的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011552406.2A CN112580885A (zh) | 2020-12-24 | 2020-12-24 | 一种配件合格率的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580885A true CN112580885A (zh) | 2021-03-30 |
Family
ID=75139609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011552406.2A Pending CN112580885A (zh) | 2020-12-24 | 2020-12-24 | 一种配件合格率的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580885A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987938A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 工艺参数优化方法、装置、设备以及存储介质 |
CN114662880A (zh) * | 2021-12-22 | 2022-06-24 | 珠海采筑电子商务有限公司 | 抽样数量动态调整方法、系统、终端及存储介质 |
-
2020
- 2020-12-24 CN CN202011552406.2A patent/CN112580885A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987938A (zh) * | 2021-10-27 | 2022-01-28 | 北京百度网讯科技有限公司 | 工艺参数优化方法、装置、设备以及存储介质 |
CN114662880A (zh) * | 2021-12-22 | 2022-06-24 | 珠海采筑电子商务有限公司 | 抽样数量动态调整方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819170B (zh) | 控制脉冲生成方法、装置、系统、设备及存储介质 | |
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
CN116541176A (zh) | 算力资源分配的优化方法、优化装置、电子设备和介质 | |
WO2021098615A1 (zh) | 基因型数据缺失的填充方法、装置及服务器 | |
CN112580885A (zh) | 一种配件合格率的预测方法、装置、设备及存储介质 | |
CN114490404A (zh) | 一种测试用例确定方法、装置、电子设备及存储介质 | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
CN113409898A (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
CN117590766A (zh) | 通道入口导流栏杆角度调整的控制方法和装置 | |
CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
CN114185800A (zh) | 基于遗传算法的测试用例生成方法、系统、设备及介质 | |
CN112232886B (zh) | 一种电价概率预测方法、系统、计算机设备和存储介质 | |
CN115206421B (zh) | 药物重定位方法、重定位模型的训练方法及装置 | |
US20210406773A1 (en) | Transforming method, training device, and inference device | |
CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN111046321B (zh) | 光伏电站运维策略优化方法和装置 | |
CN112905896A (zh) | 一种推荐个数模型的训练方法、混合内容推荐方法及装置 | |
CN113408725A (zh) | 基于复合熵的遗传算法参数优化方法、系统、设备及介质 | |
CN108984680B (zh) | 一种信息推荐方法、装置、服务器及存储介质 | |
CN115222024B (zh) | 基于深度特征选择网络的短期光伏发电预测方法和系统 | |
CN117493583B (zh) | 结合事件日志和知识图谱的流程操作序列生成方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |